2027年試験新シラバス対応・0-2

データ・モデル・学習・推論の基本用語の一問一答

生成AIパスポート試験「最初に覚える土台知識」から、データ・モデル・学習・推論の基本用語に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全410問）最初に覚える土台知識の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は四肢択一式（一部複数選択を含む）で出題されます。ここでは全て4択（正解は1つ）で出題しています。

問10-2

機械学習における「学習（訓練）」と「推論」の説明の組合せとして、最も適切なものを1つ選びなさい。

①学習は利用者が質問を入力する段階、推論は開発者がモデルの仕組みを設計して作る段階
②学習はデータでパラメータを調整する段階、推論は学習済みモデルで新しい入力に答える段階
③学習は学習済みモデルで新しい入力に答える段階、推論はデータからパラメータを調整する段階
④学習も推論も同じ意味で、モデルが答えを出力する段階をそれぞれ別の名前で呼んでいる

答えと解説を見る

正解 ②学習はデータでパラメータを調整する段階、推論は学習済みモデルで新しい入力に答える段階

解説
機械学習には大きく2つの段階があります。
学習（訓練）は、大量のデータを使って、モデルの中のパラメータ（重み）を少しずつ調整し、よい答えを出せるようにする段階です。
推論は、学習を終えたモデル（学習済みモデル）に新しいデータを入力して、予測や生成などの答えを出させる段階です。ChatGPTに質問して答えが返ってくるのは、推論の段階にあたります。

他の選択肢が不適切な理由
・利用者の入力と開発者の設計：学習と推論の区別ではありません。
・学習と推論の説明が逆：新しい入力に答えるのが推論、パラメータを調整するのが学習です。
・同じ意味の別名：学習と推論は役割の異なる別の段階です。

覚え方のポイント
「学習＝勉強する」「推論＝本番で答える」。授業と試験のような関係です。

ひっかけ注意
生成AIの分野では「推論モデル（Reasoning Model）」の「推論」は、答える前に段階的に考えるという意味で使われます。文脈で意味を見分けましょう。

問20-2

ニューラルネットワークの「パラメータ」の説明として、最も適切なものを1つ選びなさい。

①モデルの学習に使った文章や画像そのもので、モデルの中にそのまま保存されたもの
②利用者が画面で選ぶ、文字の大きさや配色などの見た目に関する設定の値
③学習によって値が調整され、入力から出力を計算するために使われる重みなどの数値
④生成AIのサービスを利用するために、事業者と結ぶ利用契約の条項のこと

答えと解説を見る

正解 ③学習によって値が調整され、入力から出力を計算するために使われる重みなどの数値

解説
パラメータは、ニューラルネットワークの中で入力から出力を計算するのに使われる数値で、主に「重み」と「バイアス」を指します。学習の段階で、正解との誤差が小さくなるように少しずつ調整されます。
LLMは数十億〜数千億以上のパラメータを持つことがあり、パラメータの数はモデルの規模を表す目安としてよく使われます。たとえばGPT-3は約1,750億のパラメータを持つと発表されました。

他の選択肢が不適切な理由
・画面の見た目の設定：日常語の「設定値」の意味であり、モデルのパラメータとは別物です。
・学習データそのもの：パラメータは学習データを数値として要約した結果の重みであり、学習データがそのまま保存されているわけではありません。
・利用契約の条項：パラメータとは関係ありません。

覚え方のポイント
パラメータ＝「学習で調整される、モデルの中のつまみ」。数が多いほど大規模なモデルです。

ひっかけ注意
生成時に利用者が調整できるTemperatureやTop-pは「生成パラメータ」と呼ばれ、学習で決まるパラメータ（重み）とは別のものです。

問30-2

教師あり学習で使われる「教師データ（正解ラベル付きデータ）」の例として、最も適切なものを1つ選びなさい。

①メールの件名だけを集めて、文字数の多い順に並べ替えた一覧表のデータ
②正解が付いていない大量のメールを、似たもの同士で自動的に分けた結果のデータ
③ゲームで勝ったときに点数が与えられるという、試行錯誤のための仕組み
④「迷惑メール」「通常のメール」という正解が1通ずつ付いた大量のメール

答えと解説を見る

正解 ④「迷惑メール」「通常のメール」という正解が1通ずつ付いた大量のメール

解説
教師あり学習では、入力データとその正解（ラベル）をセットにしたデータを使って学習します。このデータを教師データ（正解ラベル付きデータ）といいます。
「このメールは迷惑メール」「このメールは通常のメール」という正解が付いたメールを大量に学習させると、新しいメールが迷惑メールかどうかを判定できるモデルが作れます。

他の選択肢が不適切な理由
・正解なしで似たもの同士に分けた結果：教師なし学習のクラスタリングの説明です。
・勝ったときに点数を与える仕組み：強化学習の「報酬」の説明です。
・件名を文字数順に並べた一覧：正解ラベルが付いていないため、教師データではありません。

覚え方のポイント
教師データ＝「問題と答えのセット」。答え（ラベル）が付いているかどうかが、教師あり学習を見分けるカギです。

問40-2

LLMで使われる「トークン」に関する記述として、適切でないものを1つ選びなさい。

①文章は1文字ずつ区切られるので、トークン数は文字数と同じになる。
②文章を、単語や単語の一部などの単位に区切ったものをトークンという。
③APIの利用料金は、トークン数に応じて決まる仕組みのことが多い。
④LLMが一度に扱える長さの上限も、トークン数で示されることが多い。

答えと解説を見る

正解 ①文章は1文字ずつ区切られるので、トークン数は文字数と同じになる。

解説
トークンは、LLMが文章を処理するときの単位で、単語そのもののこともあれば、単語の一部（サブワード）や記号のこともあります。必ず1文字ずつに区切られるわけではなく、トークン数と文字数は一致しません。したがって、この記述は適切ではありません。
APIの利用料金や、一度に扱える長さの上限（コンテキストウィンドウ）は、トークン数で示されることが一般的です。同じ内容でも、言語によってトークン数は変わり、日本語は英語よりトークン数が多くなりやすい傾向があります。

他の選択肢（適切な記述）について
・単語や単語の一部などに区切ったもの：トークンの定義です。
・APIの利用料金はトークン数で決まる：多くのサービスで、入力と出力のトークン数に応じた従量課金がとられています。
・扱える長さの上限もトークン数で示す：コンテキストウィンドウの大きさは、トークン数で表されます。

覚え方のポイント
トークン＝「文字」でも「単語」でもない、AI用の区切りの単位。料金も上限もトークンで数えます。

問50-2

プロンプトの説明として、最も適切なものを1つ選びなさい。

①生成AIのモデルを学習させるために集める、大量の文章データの総称
②生成AIが出力した文章の誤りを、自動的に見つけて直してくれる機能の名前
③生成AIに対して、目的や条件などを伝えるために入力する指示文や質問文
④生成AIの利用料金を、使ったトークンの数に応じて計算する仕組みの名前

答えと解説を見る

正解 ③生成AIに対して、目的や条件などを伝えるために入力する指示文や質問文

解説
プロンプトは、生成AIに入力する指示文や質問文のことです。生成AIの出力は、プロンプトの書き方によって大きく変わります。目的・前提条件・出力の形式などを具体的に伝えることで、期待に近い出力が得やすくなります。
より良い出力を得るためにプロンプトを設計・改善する技術をプロンプトエンジニアリングといい、新シラバスでは第5章の最初の中項目として扱われています。

他の選択肢が不適切な理由
・誤りを自動で直す機能：プロンプトではありません。出力の確認は人間が行う必要があります。
・学習用の大量の文章データ：学習データ（データセット）の説明です。
・料金の計算の仕組み：プロンプトとは関係ありません。

覚え方のポイント
プロンプト＝「AIへの指示書」。良い指示書ほど、良い出力が返ってきます。

問60-2

ファインチューニングの説明として、最も適切なものを1つ選びなさい。

①事前学習済みのモデルに、特定の用途向けのデータで追加の学習を行い調整すること
②モデルを使わずに、人間がすべての回答を一つずつ手作業で書き直して仕上げること
③モデルを一から作り直すために、それまでの学習結果をいったんすべて消去すること
④プロンプトの文字数を減らして、生成AIの応答を速くするための工夫のこと

答えと解説を見る

正解 ①事前学習済みのモデルに、特定の用途向けのデータで追加の学習を行い調整すること

解説
ファインチューニング（Fine-tuning：微調整）は、大量のデータで事前学習を済ませたモデルに対して、特定の用途や分野のデータで追加の学習を行い、モデルのパラメータを調整することです。
一からモデルを作るよりも、少ないデータと計算量で、特定の業務や文体に合ったモデルを作ることができます。生成AIの学習は、一般に「事前学習 → ファインチューニング → RLHF（人間のフィードバックによる強化学習）」の流れで説明されます。

他の選択肢が不適切な理由
・人間が手作業で書き直す：ファインチューニングはモデルの追加学習であり、人手で回答を作ることではありません。
・学習結果を消去して作り直す：事前学習の成果を活かして追加で調整するのがファインチューニングです。
・プロンプトを短くする工夫：プロンプトの工夫はモデルのパラメータを変えません。ファインチューニングはパラメータを変える点が違います。

覚え方のポイント
ファイン（細かい）＋チューニング（調整）＝「できあがったモデルを、用途に合わせて微調整する」。

ひっかけ注意
プロンプトの工夫（モデルは変わらない）と、ファインチューニング（モデルのパラメータが変わる）の違いはよく問われます。

問70-2

過学習（オーバーフィッティング）に関する記述として、適切でないものを1つ選びなさい。

①学習データには非常によく当てはまるのに、新しいデータでは性能が落ちる。
②学習データが少なすぎ、学習データにも当てはまらない状態を過学習という。
③学習データの細かなばらつき（ノイズ）まで覚え込んでしまうことで起こる。
④ドロップアウトや早期終了などは、過学習を防ぐための手法として使われる。

答えと解説を見る

正解 ②学習データが少なすぎ、学習データにも当てはまらない状態を過学習という。

解説
過学習は、モデルが学習データの細かなばらつき（ノイズ）まで覚え込み、学習データには非常によく当てはまる一方で、新しいデータに対しては性能が落ちてしまう状態です。学習データにも当てはまらない状態は「学習不足（アンダーフィッティング）」であり、過学習ではありません。したがって、この記述は適切ではありません。
過学習を防ぐ手法には、ドロップアウト、アーリーストッピング（早期終了）、正則化、学習データを増やすことなどがあります。

他の選択肢（適切な記述）について
・新しいデータで性能が落ちる：過学習の定義そのものです。
・ノイズまで覚え込むことで起こる：過学習の原因の説明です。
・ドロップアウトや早期終了で防ぐ：過学習の代表的な対策です。

覚え方のポイント
「学習データにも合わない＝学習不足」「学習データにだけ合う＝過学習」。逆にしないこと。

問80-2

API（Application Programming Interface）を通じて生成AIを利用する場合の記述として、適切でないものを1つ選びなさい。

①APIキーが漏れると、第三者に不正に利用されて費用が発生するおそれがある。
②自社のシステムや業務アプリに、生成AIの機能を組み込むことができる。
③利用料金は、トークン数などの利用量に応じた従量課金であることが多い。
④APIで利用する場合、入力データがサービス提供者に送られることはない。

答えと解説を見る

正解 ④APIで利用する場合、入力データがサービス提供者に送られることはない。

解説
APIは、ソフトウェアやサービスの機能を、別のプログラムから呼び出して使うための窓口です。生成AIのAPIを使えば、自社のシステムや業務アプリに生成AIの機能を組み込めます。
ただし、APIで利用する場合も、入力したデータはサービス提供者のサーバーに送られて処理されます。「一切送られない」という記述は適切ではありません。入力データの保存や学習への利用の扱いは、契約や設定によって異なるため、確認が必要です。また、APIキーの管理や利用量の管理も重要です。

他の選択肢（適切な記述）について
・自社のシステムに組み込める：APIの代表的な利点です。
・利用量に応じた従量課金：多くの生成AIのAPIで採用されている料金の仕組みです。
・APIキーが漏れると不正利用のおそれ：APIキーは、パスワードと同じく厳重に管理する必要があります。

覚え方のポイント
APIでも「データは提供者のサーバーへ送られる」。扱いは契約と設定で確認します。

問90-2

学習データ（データセット）の質に関する説明として、最も適切なものを1つ選びなさい。

①学習データに偏りがあると、モデルの出力にも偏り（バイアス）が表れることがある。
②学習データの量さえ十分に多ければ、内容の正確さや偏りは出力にまったく影響しない。
③学習データに誤りが含まれていても、学習の過程ですべて自動的に取り除かれていく。
④学習データの質は推論の段階だけに関係し、学習の結果には一切関係しない。

答えと解説を見る

正解 ①学習データに偏りがあると、モデルの出力にも偏り（バイアス）が表れることがある。

解説
機械学習のモデルは、学習データに含まれるパターンをそのまま学びます。そのため、学習データに性別・人種・地域などの偏りがあると、モデルの出力にも偏り（バイアス）が表れることがあります。誤った情報や古い情報が含まれていれば、それが出力の誤りにつながることもあります。
新シラバスでも「学習データの規模と課題」として、データの品質・バイアス・著作権などが学習項目に挙げられています。量だけでなく質も大切です。

他の選択肢が不適切な理由
・量が多ければ質は影響しない：量が多くても、偏りや誤りがあれば出力に影響します。
・誤りはすべて自動的に取り除かれる：学習の過程で誤りが自動的にすべて除かれることはありません。データの選別や前処理が重要です。
・学習の結果には関係しない：学習データの質は、学習の結果（モデルの性能や偏り）に直接影響します。

覚え方のポイント
「Garbage in, garbage out（ゴミを入れればゴミが出る）」。データの質がAIの質を決めます。

問100-2

「推論」という言葉の使われ方に関する次の記述a〜dのうち、適切なものの組合せを1つ選びなさい。
a．学習済みモデルに新しい入力を与えて答えを出させることを、推論と呼ぶ。
b．推論とは、モデルのパラメータを大量のデータで調整する段階のことである。
c．推論の段階では、必ずモデルの再学習が行われてパラメータが書き換わる。
d．推論モデル（Reasoning Model）は、答える前に段階的に考える処理を行う。

①b・c
②a・d
③a・b
④c・d

答えと解説を見る

正解 ②a・d

解説
aとdが適切です。
a：機械学習の分野では、学習済みモデルに新しい入力を与えて予測や生成をさせることを「推論（inference）」と呼びます。
d：生成AIの分野でいう「推論モデル（Reasoning Model）」は、答えを出す前に思考の手順を段階的に生成してから回答するモデルです。OpenAIのo1（2024年）以降、各社が提供しています。同じ「推論」でも、inference（答えを出す処理）とreasoning（筋道を立てて考えること）という2つの意味があります。

誤っている記述
・b：パラメータを大量のデータで調整する段階は「学習（訓練）」です。
・c：通常の推論ではモデルのパラメータは変わりません。会話をしても、その場でモデルが再学習されるわけではありません。

覚え方のポイント
「推論」の2つの意味：①inference＝学習済みモデルで答えを出すこと、②reasoning＝答える前に段階的に考えること。

「生成AIパスポート」は一般社団法人生成AI活用普及協会の登録商標です。本ページは一般社団法人生成AI活用普及協会（GUGA）とは一切関係がなく、公認・認定を受けた教材ではありません。

生成AIパスポートの対策問題（全410問）に戻る

非公式の資格試験対策サイトです。一般社団法人生成AI活用普及協会（GUGA）とは一切関係がなく、GUGAの公認・認定を受けた教材ではありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。